【摘 要】
：
主流的问答系统主要分为基于语义和基于文本匹配两种，而在基于文本匹配的问答模型中，通常是将问题对直接进行相似性比对进而得出最终的答案。然而，自然语言长问句一般比较冗余，如果直接进行计算，受冗余部分影响，正确率一般不高。为解决上述问题，文章提出了一种基于Sentence-Bert和领域词典的智能问答系统，旨在实现更高效、更准确地问答。系统采用领域词典来过滤问句中的冗余部分，再使用训练好的Sentenc
【基金项目】
：
2022年陕西省大学生创新创业项目（编号：S202210709072）；
论文部分内容阅读
主流的问答系统主要分为基于语义和基于文本匹配两种，而在基于文本匹配的问答模型中，通常是将问题对直接进行相似性比对进而得出最终的答案。然而，自然语言长问句一般比较冗余，如果直接进行计算，受冗余部分影响，正确率一般不高。为解决上述问题，文章提出了一种基于Sentence-Bert和领域词典的智能问答系统，旨在实现更高效、更准确地问答。系统采用领域词典来过滤问句中的冗余部分，再使用训练好的Sentence-Bert句向量模型对预处理后的问句进行向量化，并计算余弦相似度来找到最匹配的问题。实验结果表明，相比Sentence-BERT，提高了问句相似性比对的精度。
其他文献
针对战场环境瞬息万变，指挥决策复杂难度大的问题，研究了基于知识图谱的战法知识库构建技术以及战法知识库的应用方法。基于知识图谱构建战法知识库，能够更快速地适应战场环境的变化，更直观有效地展示数据及数据之间的关联关系，改善指挥员仅凭经验思维和简单计算的传统决策方法，为指挥员高效、快速决策提供战法规则上的支撑。
军事法律法规对战场军事行动意义重大，而查阅文本的方式已无法满足辅助决策需要，传统知识图谱三元组知识表达能力有限、层次性弱，难以适用于结构严谨、层次鲜明、语言精炼、语义丰富的军事法律法规。针对上述问题，设计了军事法律法规元知识网络构建的一般方法，将文档结构信息融入元知识网络，改善了传统知识图谱层次感不强、邻接关系弱化的缺陷，可对问答结果形成完整解释，从而更好地为指挥员提供军事决策辅助。
为解决武器装备领域数据来源分散、数据间缺乏良好关联、表示形式不一致、存在大量冗余等问题,提出了一种基于本体的知识图谱构建方法,以利用知识图谱实现主战武器装备知识的有效管理和智能信息搜索,进一步挖掘武器装备数据的潜在价值。本方法首先基于领域知识构建领域本体,而后对收集到的大量原始数据进行抽取,对其中的冗余数据进行融合,并采用三元组形式对得到的实体、关系、属性等数据进行表示,最后构建到知识图谱中。构建
数字虚拟人形象近年来频繁被代表性的博物馆平台推出并使用，获得了公众的关注。文章在对主流博物馆的数字虚拟人进行特征分析、比较、归纳、总结的基础上，将博物馆数字虚拟人的形象类型分为写实人形、艺术人形、拟人形三类，不同形象类型也显示出数字虚拟人的多元应用场景。数字虚拟人无论是作为博物馆的人格化形象，抑或是作为一种应用型工具，它天然拥有与传统博物馆服务截然不同的优势，值得深入探究。
针对一体化联合作战发展环境下,各兵种数据无法有效地进行集中管理和调度。本文提出战场资源知识图谱,用以统一描述计算存储、通信网络、传感器和武器平台四大类战场资源,在此基础上实现各战场资源协同调度。本文基于开放知识图谱的构建方法,研究了如何构建战场资源知识图谱及其应用问题,如战场资源本体构建问题、战场资源数据抽取问题、战场资源关系推理问题、在特定战场环境下进行战场资源推荐问题。首先,采用七步法和MET
随着部队装备持续升级改进,装备功能、性能均飞速提升,与此同时,装备的维护也越来越复杂,依靠传统的以人工经验为主的方式来做装备维护,已经难以满足维护要求。文章针对当前装备维护的问题,研究装备智能化维护技术,探索知识图谱在装备智能维护领域的应用,介绍了装备维护知识图谱构建的方法,包括装备知识体系建立、装备知识抽取、装备知识表示、装备知识融合、装备知识图谱推理的方法。
＜正＞ 随着人类基因组计划的顺利实施,我国科学家开始探讨启动“数字化虚拟人体”研究。在2001年召开的香山科学会议上,专家集中研讨了“中国数字化虚拟人体的科技问题”,并提出利用信息技术实现人体从微观到宏观的结构和机能的数字化、可视化,最终达到人体的整体精确模拟。“数字化虚拟人体”的研究是关系到新世纪我国医学及其他相关学科能否走到世界前列的大问题。同时,“数字化虚拟人体”研究涉及一系列基础科学问题和
多跳问题是一类通过知识推理才能给出答案的复杂问题，往往需要相关的多项关联知识融合生成最终答案.现有基于知识图谱的多跳智能问答方法推理过程比较复杂，没有考虑关系路径蕴含的结构信息和语义信息.为此，本文提出了基于知识图谱关系路径的多跳智能问答模型，将多跳智能问答问题转换为在低维向量空间中查找知识图谱中最优关系路径的问题.该模型利用表示学习将知识图谱和用户问题同时嵌入到低维的向量空间，实现知识空间和问题
如今的互联网时代充斥着海量信息,人们难以高效的检索并获取所需目标知识。针对这一需求,知识图谱多跳问答（Multi-hop KGQA）使用知识图谱作为知识源,通过多跳推理得到用户提出复杂问题的答案。现有的工作虽然取得了一系列的成果,但在实际应用中仍面临许多挑战。一方面,知识图谱在使用过程中面临着计算效率低和数据稀疏的问题,从而影响后续的推理任务。另一方面知识图谱多跳问答应该具备处理复杂问题的能力并提